第七章遥感数字图像计算机解译.pptVIP

Regiongrowingproperties进行Neighborhood属性设置。利用RegiongrowAOI选择种子点。提示：AOIseedpropertiesregiongrowingProperties约束条件：Area确定最多的像元数；Distance确定包含像元距离种子点像元的最大距离。Spectraleuclideandistance,可以接收像元与种子点之间最大波谱欧式距离（两个像元在各个波段数值之差平方和的二次根）2）应用AOI扩展绘图工具获取分类模板信息第30页，共52页，星期日，2025年，2月5日应用AOI扩展绘图工具获取分类模板信息

第31页，共52页，星期日，2025年，2月5日第32页，共52页，星期日，2025年，2月5日模板评价EvaluatingSignatures分类模板建立后，应对其进行评价，确定分类结果精度。第33页，共52页，星期日，2025年，2月5日ContingeneyMatrix可能性矩阵输出一个百分比矩阵，表明每个AOI训练区中有多少像元分别属于相应类别。模板评价EvaluatingSignatures第34页，共52页，星期日，2025年，2月5日提示：误差矩阵精度85%，模板需要要重建。第35页，共52页，星期日，2025年，2月5日第36页，共52页，星期日，2025年，2月5日三、图像分类中的有关问题1、未充分利用遥感图像提供的多种信息只考虑多光谱特征，没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类第37页，共52页，星期日，2025年，2月5日第七章遥感数字图像计算机解译第1页，共52页，星期日，2025年，2月5日第一节遥感图像的计算机分类计算机分类遥感图像分类结果图遥感图像计算机解译：就是对遥感图像上的信息进行属性的识别和分类，从而达到识别图像信息所对应的实际地物，提取所的地物信息的目的。遥感图像解译目视解译计算机解译第2页，共52页，星期日，2025年，2月5日一、分类原理遥感图像计算机分类的依据是遥感图像像元光谱特征的相似度。常使用距离和相关系数来衡量相似度。采用距离衡量相似度时，距离越小相似度越大。采用相关系数衡量相似度时，相关程度越大，相似度越大。第3页，共52页，星期日，2025年，2月5日非监督分类（Unsupervisedclassification）：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。非监督分类完全按照像元的光谱特征进行统计分类,常常用于对分类区没有太多了解情况下.人为干预较少,自动化程度较高.二、分类方法第4页，共52页，星期日，2025年，2月5日监督分类法（SupervisedClassification）：选择具有代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。监督分类的关键是选择训练场地。训练场地要有代表性，样本数目要能够满足分类要求。第5页，共52页，星期日，2025年，2月5日监督分类常常用于对分类区比较了解情况下,要求用户控制.1)选择可以识别或可以断定其类型的像元建立模板,然后基于该模板使系统自动识别具有相同特征的像元.2)对分类结果进行评价后再对模板进行修改,多次反复后建立比较正确的模板,在此基础上最终进行分类.第6页，共52页，星期日，2025年，2月5日根本区别在于是否利用训练场地来获取先验的类别知识。非监督分类不需要更多的先验知识，据地物的光谱统计特性进行分类。当两地物类型对应的光谱特征差异很小时，分类效果不如监督分类效果好。监督分类与非监督分类方法比较第7页，共52页，星期日，2025年，2月5日（1）分级集群法用距离评价单个个体间的相似程度，根据距离最近原则判定并归类到同一类别中的方法。（2）动态聚类法在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合样本，直到分类比较合理为止。1、非监督分类的基本方法第8页，共52页，星期日，2025年，2月5日非监督分类一般步骤初始分类专题判别分类合并色彩确定分类后处理色彩重定义统计分析.第9页，共